401-6245-00L Data-Mining
Semester | Herbstsemester 2015 |
Dozierende | |
Periodizität | 2-jährlich wiederkehrende Veranstaltung |
Lehrveranstaltung | Findet dieses Semester nicht statt. |
Lehrsprache | Deutsch |
Kommentar | Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Rektoratskanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an Link. Die Kanzlei wird anschliessend die Belegung vornehmen. |
Kurzbeschreibung | Block über "Prognoseprobleme", bzw. "Supervised Learning" Teil 1, Klassifikation: logistische Regression, Lineare/Quadratische Diskriminanzanalyse, Bayes-Klassifikator; additive & Baummodelle, weitere flexible ("nichtparametrische") Methoden. Teil 2, Flexible Vorhersage: Additive Modelle, MARS, Y-Transformations-Modelle (ACE,AVAS); Projection Pursuit Regression (PPR), Neuronale Netze. |
Lernziel | |
Inhalt | Aus dem weiten Feld des "Data Mining" behandeln wir in diesem Block nur sogenannte "Prognoseprobleme", bzw. "Supervised Learning". Teil 1, Klassifikation, repetiert logistische Regression und Lineare / Quadratische Diskriminanzanalyse (LDA/QDA), und erweitert diese (im Rahmen des "Bayes-Klassifikators") auf (generalisierte) additive ("GAM") und Baummodelle ("CART"), und (summarisch/kurz) auf weitere flexible ("nichtparametrische") Methoden. Teil 2, Flexible Vorhersage (kontinuierliche oder Klassen-Zielvariable) umfasst Additive Modelle, MARS, Y-Transformations-Modelle (ACE, AVAS); Projection Pursuit Regression (PPR), Neuronale Netze. |
Skript | Grundlage des Kurses ist das Skript. |
Voraussetzungen / Besonderes | Die Uebungen werden ausschliesslich mit der (Free, open source) Software "R" (Link) durchgeführt, womit am Schluss auch eine "Schnellübung" als Schlussprüfung stattfindet. |